交通运输研究 >

2025 , Vol. 11 >Issue 5: 115 - 126

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2025.05.011

专刊:交旅融合的理论与实践

交旅融合下网约车拼车碳补贴策略的Stackelberg博弈分析

  • 王东 , 1 ,
  • 邓承潇 2 ,
  • 姜景玲 , 1, *
展开
  • 1 交通运输部科学研究院，北京 100029
  • 2 西南交通大学 交通运输与物流学院，四川 成都 611756
* 姜景玲（1979—），女，河南濮阳人，硕士，副研究员，研究方向为综合交通运输政策与标准化。E-mail:

王东（1979—），男，河北滦平人，硕士，副研究员，研究方向为交通运输规划与管理。E-mail:

收稿日期: 2025-08-25

  网络出版日期: 2025-10-30

收起

Stackelberg Game Analysis of Carbon Subsidy Strategies for Carpooling of Ride-Hailing Services Under Transportation-Tourism Integration

  • WANG Dong , 1 ,
  • DENG Chengxiao 2 ,
  • JIANG Jingling , 1, *
Expand
  • 1 China Academy of Transportation Sciences, Beijing 100029, China
  • 2 School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 611756, China

Received date: 2025-08-25

  Online published: 2025-10-30

Fold

摘要

交旅融合下，为提升旅游高峰网约车拼车率、促进绿色出行，需设计兼顾碳减排与供需双方利益的激励机制。鉴于此，聚焦旅游高峰出行需求集中、游客对舒适度要求高的特性，提出基于Stackelberg博弈的动态碳补贴策略。通过构建包含35个节点、60条路段的路网模型，量化分析2、3、4人拼车组的碳减排效益，并考虑乘客舒适度、等待时间及平台收益等多目标建立Stackelberg博弈模型，采用遗传算法求解，得到不同拼车组规模下的碳减排效果、各参与方收益分配方案及拼车决策关键影响因素。研究结果表明，3人拼车组碳减排效果明显优于2和4人组；策略实施后，游客出行成本平均降低约25%，平台收益提升约15%，实现乘客与平台双赢；敏感性分析显示，游客的拼车舒适度系数高于等待忍耐度系数，舒适度成为影响拼车决策的关键；鲁棒性测试说明，模型在旅游高峰期交通流波动场景下稳定性良好，碳减排计算偏差小于5%。由此得出结论：交旅场景中3人拼车是碳减排最优规模，基于碳减排效益的动态补贴策略可有效协调平台与乘客利益，是可持续的激励机制，且推行拼车服务时需将舒适度作为重要考量。

关键词： 网约车拼车; 碳补贴; Stackelberg博弈; 遗传算法; 旅游交通; 碳减排效益; 交旅融合

本文引用格式

王东 , 邓承潇 , 姜景玲 . 交旅融合下网约车拼车碳补贴策略的Stackelberg博弈分析[J]. 交通运输研究, 2025 , 11(5) : 115 -126 . DOI: 10.16503/j.cnki.2095-9931.2025.05.011

Abstract

Under transportation-tourism integration, to enhance the carpooling rate of ride-hailing services during tourism peaks and promote green travel, it is essential to design an incentive mechanism that balances carbon reduction with the interests of both supply and demand sides. In view of this, focusing on the characteristics of concentrated travel demand and high passenger comfort requirements during peak tourism periods, this paper proposes a dynamic carbon subsidy strategy based on the Stackelberg Game. By constructing a road network model comprising 35 nodes and 60 links, the paper quantitatively analyzes the carbon reduction benefits of carpooling groups with 2, 3, and 4 passengers. Considering multiple objectives such as passenger comfort, waiting time, and platform revenue, a Stackelberg Game model is established. The model is solved using Genetic Algorithm to determine the carbon emission reduction effects for different carpooling group sizes, revenue distribution schemes among stakeholders, and key influencing factors for carpooling decisions. The results indicate that the carbon reduction effect of 3-passenger carpooling groups significantly outperforms those of 2-passenger and 4-passenger groups. After implementing the strategy, tourists′ travel costs decrease by an average of approximately 25%, while platform revenue increases by about 15%, achieving a win-win situation for passengers and the platform. Sensitivity analysis reveals that passengers′ comfort coefficient in carpooling exceeds their waiting tolerance coefficient, making comfort a critical factor influencing carpooling decisions. Robustness tests demonstrate that the model maintains good stability under fluctuating traffic flow scenarios during tourism peaks, with carbon reduction calculation deviations of less than 5%. The conclusion is drawn that in the scenarios of transportation-tourism integration, 3-passenger carpooling represents the optimal scale for carbon reduction. A dynamic subsidy strategy based on carbon reduction benefits can effectively coordinate the interests of the platform and passengers, serving as a sustainable incentive mechanism. Moreover, comfort should be considered as a crucial factor when promoting carpooling services.

Key words： carpooling of ride-hailing; carbon subsidy; Stackelberg Game; Genetic Algorithm; tourist transportation; carbon reduction benefits; integration of transportation and tourism

0 引言

交通运输行业是碳排放的重要来源，约占全球碳排放总量的24%；在我国，该比例也达到10%左右，并呈上升趋势。因此，推动交通领域绿色转型已成为全球气候战略的关键任务。在旅游场景中，游客出行需求旺盛，但交通拥堵与碳排放问题较为突出。旅游高峰期景区周边道路常出现严重拥堵，不仅增加了游客的出行时间和成本，同时也带来大量碳排放，对环境造成负面影响。
拼车作为一种高效的资源利用方式，被认为是降低交通碳排放的有效途径，在旅游交通领域具有较大潜力。但在实际推广过程中，拼车面临乘客接受度不高、匹配效率偏低、平台激励不足以及政策支持缺乏等挑战。目前，我国主要出行平台（如滴滴）的拼车使用率普遍低于10%，远低于欧美国家30%~40%的水平。
平台补贴策略是提高拼车率的核心手段，其虽已在部分区域取得成效，但如何在激励乘客使用与平台可持续发展之间实现平衡，进而制定科学、动态的最优补贴机制，仍是研究与政策制定的关注重点。平台补贴策略是影响拼车出行市场均衡和平台盈利能力的关键因素，而拼车碳补贴是对乘客拼车行为产生的碳减排进行一定的量化奖励，将其引入补贴机制中，有助于促进绿色低碳出行。为此，众多学者通过构建不同的模型，从市场竞争、低碳环保两个角度出发，深入研究了网约车和拼车平台在不同竞争环境下的补贴策略。Xing等[1]采用拉格朗日法，分析交通高峰与非高峰期按里程补贴出租车的最优性。冉安平等[2]建立众包物流动态定价模型，发现补贴虽能提升服务价格，但会减少需求方数量。张琦[3]构建了完全垄断与双寡头垄断下的网约车新、老用户补贴模型，研究发现新用户补贴的有效性取决于用户基础规模，老用户补贴的最优策略受佣金抽成与司机规模影响。刘洋等[4]、宋亚楠等[5]研究了网约车平台在高峰期及不同佣金率下的补贴策略，前者聚焦收益最大化，后者基于Stackelberg博弈模型分析司机与乘客补贴效应。Zhong等[6]进一步研究临时与固定代理人的补贴方式对平台收益的影响。在低碳激励方面，Liu等[7]提出基于个人碳交易的精细化补贴机制；Nie等[8]指出在新能源公交车与燃油公交车成本差异下存在最优碳价区间（0.163~0.263元/kg）；李振东等[9]则发现，出行者低碳偏好与平台补贴均能提升平台定价与利润水平。
在利用博弈论方法研究拼车补贴机制方面，杨旭[10]构建了政府、平台与乘客三方博弈模型，研究表明合理设计的低碳补贴政策有助于优化三方利益，推动合乘普及；雷丽彩等[11]基于Stackelberg博弈，分析平台在补贴与抽成上的权衡，指出恰当的补贴策略可减少乘客流失、提高平台收益，实现市场帕累托最优；杨浩雄等[12]从竞争博弈角度研究网约车与出租车定价与补贴策略互动，指出高额用户补贴有助于扩大网约车市场份额；Lei等[13]运用演化博弈模型，探讨平台、司机与乘客行为的动态演化及其稳定策略，提出相应的规制建议。可以看出，博弈论为网约车补贴机制与共享出行政策的优化提供了理论支撑与决策依据。
综上，现有研究为拼车出行领域奠定了重要的理论基础，但仍存在以下局限：①大多数关于拼车平台补贴的研究聚焦于市场竞争、平台收益或订单分配效率等核心目标，仅将碳排放因素作为背景变量或事后评价指标；即便少数研究（如Liu[7]）尝试量化碳减排绩效，提出了基于碳交易机制的拼车补贴框架并测算了人均节碳量与碳补贴值，但其仍未构建系统性的机制模型，也缺乏对碳补贴在乘客选择行为、平台盈利能力中的反馈作用分析；②尽管部分研究引入了博弈论框架分析拼车补贴机制，但普遍停留在理论建模层面，缺乏对网约车平台、乘客等关键参与方实际收益与行为反应的量化；其模型结果往往未结合真实数据或运营实践进行校准与实证分析，导致研究结论难以落地，策略建议流于形式，缺乏现实针对性与可操作性。
针对上述问题，本文提出一种基于Stackelberg博弈的拼车碳补贴策略，特别针对旅游场景进行优化设计。文中首先构建游客拼车出行交通网络，从碳减排的角度计算拼车出行碳减排效果，从而制定基于碳减排的拼车补贴策略模型；其次分析游客组以及网约车平台在拼车出行中的收益函数；随后建立基于Stackelberg博弈的拼车补贴策略模型，分析双方的策略空间及约束条件，求解能实现双方利益最大化的均衡解。

1 问题描述及研究假设

1.1 问题描述

在旅游高峰期（如节假日、旅游旺季等），景区周边城区内通常存在一定数量具有即时出行需求的游客，其起讫点位置及路网数据均可获取。为发挥拼车出行的碳减排效益，制定相应的碳减排拼车补贴策略，依据出行效益对拼车游客进行差异化补贴。特别地，考虑到旅游场景的特殊性，如游客出行时间相对集中、对舒适度要求较高等，本研究在模型构建与策略制定过程中已充分纳入相关因素。

1.2 研究假设

针对拼车出行涉及的多主体、多参数特征，本研究设定如下假设：
1）车辆供给充足，单车最大载客量为4人（不含驾驶员）。
2）所有乘客的出行信息可提前获取。该假设在旅游场景中具有合理性，因为游客通常提前规划行程。
3）每位乘客全程由同一车辆服务，不涉及中途换乘。
4）所有乘客的时间窗固定且已知。鉴于旅游场景中游客对出行时效的敏感性，该假设具有现实意义。
5）乘客出行范围内的路网信息可预先获取，此为构建精确交通网络的基础条件。

2 Stackelberg博弈模型构建

2.1 基于碳减排的拼车补贴策略

网约车平台的补贴策略会直接改变乘客的实际支付价格，进而显著影响其出行决策。同时，乘客的决策行为也会反作用于平台的运营效益。因此，补贴额度的合理量化是平台决策中的关键参数。本文将网约车平台的拼车补贴策略设定为根据拼车出行所产生的碳减排效益进行动态调整，以此实现环境效益与经济效益的协同优化，构建如下补贴模型：
S i , j = S i 0 + S j t Δ T i , j l ∑ i = 1 n Δ T i , j l             j = 1 ,   2 , ⋅ ⋅ ⋅ ,   m
S j t = ∑ i = 1 n C 0 L i s - C 0 L j r f
Δ T i ,   j l = ( t i ,   j a - t i ,   j 0 ) - L i s v 0
式（1）~式（3）中： S i ,   j为乘客i在选择拼车出行方案j时获得的补贴； S i 0为乘客i在选择拼车时获得的基础补贴（根据市场现行拼车出行机制，取 S i 0 = 0.25 p i s，其中， p i s为乘客i单独出行的费用）； S j t为选择拼车出行方案j时的总碳减排补贴； Δ T i , j l为乘客i在选择拼车出行方案j时相对单独打车出行的损失时间； C 0 为车辆的单位公里碳排放量； L i s为乘客i单独乘车时的路程； L j r为乘客选择拼车出行方案j时的出行路程； v 0为乘客单独出行时的平均车速； f为单位碳减排效果的补贴强度； t i , j a为乘客i选择拼车方案j时，下车的时间点； t i ,   j 0为拼车订单成功，司机开始前往接乘客的初始时间；m为方案总数；n为乘客总数。

2.2 博弈主体目标函数

2.2.1 乘客拼车出行目标函数

乘客在选择出行方式时，会综合考虑费用和时间成本，以最大化个人的整体效用。当且仅当拼车出行成本节约大于零时，乘客才会倾向于选择拼车出行。乘客的出行成本节约与拼车出行效用可通过如下数学模型表达：
M u = m a x ∑ i = 1 n ( N i u ,   s - N i ,   j u ,   r )         j = 1 ,   2 , ⋯ ,   m
N i u ,   s = ω f p i s + μ t T i s
p i s =                                         p 0                               L i s ≤ L 0 p 0 + λ 0 ( L i s - L 0 )               L i s > L 0
N i ,   j u ,   r = ω f ( p i s - S i ,   j ) + μ t ( T i ,   j s + T i ,   j d )
T i ,   j s = μ s ( t i ,   j a - t i ,   j p )
T i ,   j d =                         0                             t i ,   j p ≤ t i ,   j p 0 μ d ( t i ,   j p - t i ,   j p 0 )             t i ,   j p 0 < t i ,   j p ≤ t i ,   j p 2
式（4）~式（9）中： M u为乘客组拼车出行时的出行成本节约； N i u ,   s为乘客单独出行的总成本，包括费用成本及时间成本； N i ,   j u ,   r为乘客i在选择拼车方案j出行时的出行成本； ω f为出行费用价值系数； μ t为时间价值系数； T i s为乘客i单独乘车出行时花费的总时间； p 0为基础里程费用； L 0为基础里程； λ 0为单位里程费用； T i ,   j s为乘客i在选择拼车方案j出行时的合乘时间段舒适度； T i ,   j d为乘客i在选择拼车方案j出行时的等待时间段忍耐度； t i ,   j p为乘客i选择拼车方案j时，上车的时间点； t i ,   j p 0为乘客i的最佳上车时间； t i ,   j p 2为乘客i的最晚上车时间； μ s为合乘舒适度价值系数； μ d为等待忍耐度价值系数。

2.2.2 网约车平台目标函数

在网约车出行情境中，网约车平台的收益主要来自乘客支付的实际出行费用。网约车平台单独打车订单和拼车订单的收益函数见式（10）~式（12）。当且仅当相对收益大于零时，平台才会促进乘客拼车出行。
Y u = m a x W j u ,   r - W u ,   s       j = 1 ,   2 , ⋯ ,   m
W u ,   s = ∑ i = 1 n [ λ 0 L i s - ( θ d R i s + θ r R i s ) ]
W j u ,   r = ∑ i = 1 n λ 0 L i ,   j r - ( θ d ∑ i = 1 n p i ,   j r + θ r ∑ i = 1 n p i ,   j r ) - S j t
式（10）~式（12）中： Y u为网约车平台拼车出行时的相对收益； W u ,   s为乘客组单独出行时网约车平台的总收益（考虑了平台运维成本及司机成本）； R i s为乘客i单独打车时平台的收入； θ d为司机抽成的比例系数； θ r为平台运维费用的比例系数； W j u ,   r为乘客组选择拼车方案j出行时平台的总收益（考虑了拼车补贴成本）； p i ,   j r为乘客i选择拼车方案j出行的费用。

2.3 约束条件

2.3.1 额定载客约束

在网约车平台推行拼车出行的过程中，要时刻保证拼车乘客组的乘车人员数量小于等于最大限额，即：
x k ,   k + 1 p k ,   k + 1 ≤ Q m a x         ∀ k ∈ V
式（13）中： x k ,   k + 1为0-1决策变量，当车辆途经路段 k ,   k + 1时，取值为1，否则为0； p k ,   k + 1为车辆在经过路段 k ,   k + 1时的车内乘客人数； Q m a x为车内乘客人数最大限额；V为所有节点集合。

2.3.2 车辆路径约束

1）每个乘客都需遵照指定的上车和下车顺序，对于每个乘客i，设定其上车点为节点k，下车点为节点z。在路径中，乘客i的上车点必须在其下车点之前被访问，即：
t i ,   j p < t i ,   j a
2）每个乘客i的上车点和下车点在路径中只能被访问一次，避免重复接送或绕路，即：
∑ z ∈ V x k ,   z = 1         ∀ k ∈ V
∑ k ∈ V x z ,   k = 1         ∀ z ∈ V
式（15）确保了节点k的路径出度为1，即从k出发的路径唯一；式（16）确保了节点z的路径入度为1，即到达z的路径唯一。
3）避免在路径中出现不必要的回路（如中途返回上一个节点），确保路径是连通的，即：
u k - u + z n x k ,   z ≤ n - 1         ∀ k ,   z ∈ V ,   k ≠ z
式（17）中： u k, uz为辅助变量，表示节点的访问顺序。
4）为确保所有乘客上车后再确定下车顺序，第1位下车的乘客的时间应满足在最后1名乘客上车的时间之后。即：
m i n i ∈ p t i ,   j a > m a x i ∈ p t i ,   j p
式（18）中： m i n i ∈ p t i ,   j a为最早一位下车乘客的下车时间； m a x i ∈ p t i ,   j p为最晚一位上车乘客的上车时间。

2.3.3 时间窗约束

乘客在选择拼车出行时，总是希望车辆能在可接受的时间范围内到达。因此，乘客需要提前设置好期望车辆到达的时间区间。按时间顺序，最早车辆到达时间、最佳上车时间和最晚车辆到达时间组成的向量为 ( t i ,   j p a t i ,   j p 0 t i ,   j p b )。在保证时间顺序合理的情况下，拼车出行过程中存在绕行行为，但车辆在绕行后到达乘客i的时间点不能超过乘客i的最晚心理预期 t i , j p b，但是可以小于乘客的最早预期时间 t i , j p a，即：
t k ,   j p = x k - 1 ,   k ( t k - 1 ,   j p + t k - 1 ,   k )         k ∈ V
t k ,   j p - t k - 1 ,   j p ≥ 0 ,   t k ,   j p ≤ t i ,   j p b
t k ,   j p ≤ t i ,   j p a ⇒ t i ,   j p = t i ,   j p a t i ,   j p a ≤ t k ,   j p ≤ t i ,   j p b ⇒ t i ,   j p = t k ,   j p
式（19）~式（21）中： t k ,   j p 为车辆到达节点k的时间； t i ,   j p a为乘客i的最早预期车辆到达时间； t i ,   j p b为乘客i的最晚预期车辆到达时间。

2.3.4 乘客收益约束

仅当拼车出行的效用高于单独出行的效用时，乘客才会选择拼车模式，则其效用应满足以下不等式。
1）乘客i：
N i ,   j u ,   r < N i u ,   s         i = 1 ,   2 , ⋯ ,   n ,         j = 1 ,   2 , ⋯ ,   m
2）拼车乘客组：
∑ i = 1 n N i ,   j u ,   r < ∑ i = 1 n N i u ,   s               j = 1 ,   2 , ⋯ ,   m

2.3.5 网约车平台收益均衡约束

当基于补贴出行的拼车模式收益大于单独出行的收益时，平台优先促成拼车模式，即：
W j u ,   r > W u ,   s               j = 1 ,   2 , ⋯ ,   m

2.4 博弈流程

作为主导者，网约车平台的目标是通过合理的补贴设计，激励乘客选择拼车出行，从而最大化自身的收益并提高碳减排效果。乘客组作为追随者，在平台制定补贴方案后，根据自身的出行需求与成本考虑做出相应的决策。在博弈过程中，当各方无法通过单方面调整自身策略来获得更高收益时，博弈即达到了均衡状态。
S M u * = a r g m a x M u S M u ,   S M u * S Y u * = a r g m a x Y u S M u * ,   S Y u
式（25）中： S M u *为均衡状态下拼车乘客组的决策变量取值集合； S Y u *为均衡状态下网约车平台的决策变量取值集合。

3 模型求解

3.1 求解算法

网约车平台和拼车乘客组之间的博弈可适用遗传算法[14-16]进行求解。在乘客组模块中，乘客通过网约车平台的拼车模式满足出行需求，并基于自身条件进行决策，尽可能使得出行成本最低。决策变量为乘客对于拼车过程中上下车次序的选择，以此生成不同的行车路径。考虑到本研究中载客量有限，即乘客组的拼车上下车次序组合是有限的，即可通过枚举法进行罗列，分别求出不同排列组合下的拼车出行方案，并从中求取出行成本最小的出行方案。在网约车平台模块中，平台根据拼车乘客组的决策制定相应的拼车补贴方案，即可求解出拼车订单的收益。最后，根据当前的求解结果进行评价，如未达到最优则继续迭代优化，直至得到最优解。

3.2 算法基本流程

整体算法流程如图1所示。
图1 遗传算法基本流程
Step1：输入系统参数，包含路网参数、网约车平台信息以及乘客组中每位乘客的订单信息等。
Step2：设置遗传算法参数，包括种群大小、交叉概率、变异概率和迭代次数，并初始化各个种群的决策变量；
Step3：根据2.3节中明确的约束条件，为网约车平台生成初始拼车补贴策略；
Step4：根据当前网约车平台的初始策略，确定当前对应策略下的乘客组乘员的上下车接送次序，据此确定出行方案；
Step5：根据当前的网约车平台拼车补贴策略以及乘客组的出行方案分别计算平台收益以及乘客组出行成本节约，以此作为评价标准对拼车补贴策略进行评价，保留适应度较高的方案；
Step6：根据设定的交叉概率及变异概率，对选中的个体进行交叉和变异操作。在每次运算完成后，检查生成的个体是否满足约束条件。如若不满足，则重复进行交叉和变异操作，直至满足；
Step7：循环Step3~Step6，直至迭代完成。系统中的最优结果即代表了博弈均衡状态下的拼车出行各主体的决策变量。

4 算例分析

4.1 算例描述

本文以1个具有35个路网节点、60条路段的路网为例，在路网上随机生成2人组、3人组以及4人组的乘客拼车订单信息。其中，乘客的出行订单信息如表1所示，路网的路段参数如表2所示，拼车补贴模型中涉及的参数值如表3所示，路网结构及乘客分布如图2~图4所示。
表1 乘客出行订单信息
乘客编号 起终点 等待时间窗/min
A1 (13, 35) 0, 4, 6
A2 (14, 26) 0, 3, 5
A3 (31, 9) 1, 5, 7
A4 (32, 14) 2, 6, 8
A5 (33, 15) 1, 5, 7
A6 (2, 21) 0, 4, 6
A7 (8, 27) 3, 7, 9
A8 (12, 22) 1, 5, 7
A9 (13, 26) 2, 6, 8

注：起终点列的数字表示乘客出发和到达的节点编号；等待时间窗中，每组数的3个值分别对应乘客期望车辆到达的最早时间、最佳上车时间以及最晚车辆到达时间下的等待时间。

表2 路段参数设置
路段编号 长度
/km		 自由流通行时间
/min		 道路交通流量
/（veh/h）		 道路最大交通流量/（veh/h）
1 0.5 3.0 200 800
2 1.2 3.5 220 850
3 1.0 2.5 210 900
4 1.8 4.0 250 950
5 1.3 3.0 180 800
6 0.8 2.5 230 850
7 0.9 2.7 200 850
8 2.0 4.2 240 900
9 1.5 3.8 210 900
10 1.7 4.0 250 950
11 0.7 2.5 180 750
12 1.1 3.2 220 850
13 1.4 3.5 210 900
14 1.0 2.9 230 880
15 1.6 3.9 240 900
16 0.6 2.2 190 780
17 1.3 3.3 215 850
18 1.9 4.4 250 950
19 0.5 2.0 180 700
20 1.0 2.6 200 850
21 1.4 3.7 220 900
22 1.8 4.1 240 950
23 1.6 3.8 230 900
24 0.9 2.4 210 850
25 1.1 3.0 200 800
26 2.0 4.3 220 950
27 0.7 2.4 190 800
28 1.5 3.6 210 880
29 0.8 2.7 230 850
30 1.9 4.2 240 920
31 1.2 3.2 200 850
32 1.6 3.8 220 900
33 1.1 3.0 210 860
34 0.6 2.3 190 780
35 1.0 2.5 200 850
36 1.7 4.0 230 900
37 1.3 3.3 215 880
38 1.4 3.7 240 910
39 0.8 2.5 180 750
40 2.1 4.5 250 950
41 1.2 3.1 200 850
42 1.0 2.9 210 880
43 1.8 4.1 220 900
44 1.4 3.6 230 880
45 1.1 3.0 200 800
46 1.5 3.7 210 900
47 0.9 2.6 190 800
48 2.0 4.3 240 920
49 1.7 3.9 230 880
50 1.3 3.2 220 880
51 1.6 3.8 240 920
52 1.0 2.7 200 850
53 1.9 4.4 240 950
54 1.2 3.1 210 850
55 0.7 2.4 180 750
56 1.5 3.6 220 880
57 1.8 4.0 230 900
58 1.4 3.5 215 870
59 1.3 3.2 210 860
60 0.6 2.2 190 780
表3 拼车补贴模型参数设置
参数 取值 参数 取值
流量增加时行驶时间的增长比例 α 0.15 基础里程费用 p 0
/元		 10
指数系数 β 4 单位里程费用 λ 0
/（元/km）		 1.5
车辆的单位公里碳排放量 C 0/（g/km） 250 合乘舒适度价值
系数 μ s		 1.1
单位碳减排效果的
补贴强度 f /（元/g）		 0.02 等待忍耐度价值
系数 μ d		 1.1
时间价值系数 μ t
/（元/min）		 0.1 司机抽成的比例
系数 θ d		 0.75
出行费用价值系数 ω f 1 平台运维费用的
比例系数 θ r		 0.07
图2 2人组拼车路网

注：圆圈内的数字表示路网节点编号，路段线段上的数字表示路段编号，下同。

图3 3人组拼车路网
图4 4人组拼车路网

4.2 结果分析

4.2.1 碳减排效果

在本文所设计的拼车补贴策略中，碳减排效果是关键因素。根据式（2），本文碳减排效果是依据车辆运行的单位距离计算得到的，确定拼车情境后能得到本路网结构下的车辆运行路程，进而计算碳减排量。通过多次对3种拼车情境进行计算分析，得出了各情境下的碳减排量，如图5所示。可以看出，2人组拼车出行碳减排效果最为有限，4人组拼车出行碳减排效果较显著，而3人组拼车出行碳减排效果最为突出。由此可见，碳减排效果并非单纯随着拼车人数的增加而呈线性增长趋势。在实际拼车情境中，尽管拼车人数的增加有助于提升资源利用效率，但由于绕路等因素的引入，碳排放量也可能随之增加。换言之，当采用3人组拼车出行时，碳减排效果最佳，能在促进拼车出行、优化资源配置的同时，最大程度减少碳排放，实现对环境资源的友好利用。
图5 3组拼车情境出行碳减排效果对比

4.2.2 拼车出行方案收益对比

根据式（10）~式（12）可以计算得到乘客和平台在拼车条件下的收益情况，3种拼车情境出行收益对比见图6。可以看出，乘客的收益在拼车人数增加的过程中表现出较为明显的变化。当拼车人数从2人增加到4人时，乘客的收益显著增加，特别是在4人拼车出行的情况下，乘客的收益已超过2人拼车出行收益的两倍。这一现象表明，拼车补贴策略的设定有助于更好地分摊出行成本，从而为乘客带来较为显著的经济效益。
图6 3种拼车情境出行收益对比
相比之下，尽管平台的收益随着拼车人数的增加也呈现逐步上升的趋势，但增幅相对较小。这可能是因为拼车人数增加带来了更高的管理复杂度、路径调整需求及协调成本，使得平台在单个拼车订单上的收益增长不如乘客收益显著。经测算，游客出行成本平均降低约25%，平台收益提升约15%。从长期来看，随着拼车订单需求的稳定提升，平台的整体收益具备可观的增长潜力，拼车模式在资源优化和收益提升方面体现出长远效益。

4.2.3 敏感性分析

当合乘舒适度价值系数 μ s和等待忍耐度价值系数 μ d的值越大时，乘客对于拼车出行的倾向性越低。合乘舒适度价值系数和等待忍耐度价值系数变化下乘客出行成本节约如图7所示。根据图7，当这两个系数达到某一临界值时，乘客的出行成本节约趋近于零，表明乘客对拼车出行的态度进入临界状态。进一步增大这两个系数时，乘客将不再愿意选择拼车出行。此外，图中显示出 μ s的斜率大于 μ d，这表明在拼车出行中，乘客对合乘过程中的舒适度更加关注，舒适度的变化会对乘客的出行决策产生更为显著的影响。
图7 合乘舒适度价值系数和等待忍耐度价值系数变化下乘客出行成本节约

4.2.4 鲁棒性分析

旅游高峰期的交通流具有需求集中、路网负荷波动大等特点。本文通过以下方式验证排放模型的鲁棒性：一方面，在如表2所示的参数设置中纳入高峰期路网饱和流量、车辆平均行驶速度波动范围等关键变量，模拟高峰期交通状态的不确定性。通过考虑路段参数中最大交通流量较平峰期提升15%~20%的情况（对应表 2 中道路最大交通流量取值），验证模型在大客流情况下的鲁棒性。另一方面，通过改变拼车订单规模（2人组、3人组、4人组）和时间窗约束（如等待时间窗上下限浮动±20%），重复进行100次数值仿真。结果显示，碳减排量计算偏差稳定在5%以内，模型输出在不同扰动下仍能保持一致。这表明排放模型在旅游高峰期交通流波动场景下具有较好的稳定性，可有效支撑补贴策略的制定。

5 结束语

本文针对交旅融合背景下的旅游高峰期出行需求，构建了基于Stackelberg博弈的拼车碳补贴策略模型，并采用遗传算法进行求解。研究结果表明：在碳减排效果方面，3人拼车组表现最优，优于2人组与4人组；补贴策略实施后，游客出行成本平均降低约25%，平台收益提升约15%，实现双方共赢；敏感性分析进一步揭示，乘客对合乘舒适度的关注度高于等待时间，舒适度是影响拼车决策的关键因素；鲁棒性测试验证了模型在交通流波动场景下具有良好的稳定性。本文目前的工作主要围绕网约车平台及乘客这两个博弈主体展开，以碳补贴为博弈对象，深入探究博弈主体在各自最大利益下的决策。考虑到网约车平台间市场竞争激烈，若仅由平台自身提供拼车补贴，其运营压力到后期会逐渐增大。未来可将政府纳入博弈中，研究在政府补贴政策引导下的拼车市场演化规律。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
XING J, WANG S, ZHENG Z. Model construction and quantitative analysis of taxi-hailing subsidy scheme[J]. American Journal of Traffic & Transportation Engineering, 2017, 2(1): 1-5. DOI: 10.11648/j.ajtte.20170201.11.

[2]
冉安平, 周亚蓉. 众包物流平台服务最优价格及其期望收益研究——考虑平台补贴水平影响因素的动态定价模型分析[J]. 价格理论与实践, 2020(4):136-139,178.

[3]
张琦. 面向网约车平台乘客需求和司机供给双边市场拓展的补贴及定价策略研究[D]. 沈阳: 东北大学, 2023.

[4]
刘洋, 邓前前, 樊治平, 等. 网约车平台峰时补贴策略研究[J]. 中国管理科学, 2022, 30(7):210-220.

[5]
宋亚楠, 南瑞娟, 谷炜, 等. 基于司机服务努力水平的共享出行平台定价与补贴策略研究[J]. 中国管理科学, 2024, 32(2):265-275.

[6]
ZHONG Y, LIN Z, ZHOU Y, et al. Matching supply and demand on ride-sharing platforms with permanent agents and competition[J]. International Journal of Production Economics, 2019, 218: 363-374.

[7]
LIU X, YAN X, LIU F, et al. A trip-specific model for fuel saving estimation and subsidy policy making of carpooling based on empirical data[J]. Applied Energy, 2019, 240: 295-311.

[8]
NIE Q, ZHANG L, TONG Z, et al. Strategies for applying carbon trading to the new energy vehicle market in China: An improved evolutionary game analysis for the bus industry[J]. Eenrgy, 2022, 259: 124904. DOI: 10.1016/j.energy.2022.124904.

[9]
李振东, 郭敏. 考虑出行者低碳偏好的网约车平台定价策略[J]. 中北大学学报(自然科学版), 2023, 44(1):8-15.

[10]
杨旭. 面向低碳出行激励的网约车合乘补贴策略研究[D]. 长春: 吉林大学, 2024.

[11]
雷丽彩, 高尚. 网约车新政下平台和乘客的Stackelberg博弈模型及策略研究[J]. 运筹与管理, 2022, 31(9):14-20.

[12]
杨浩雄, 魏彬. 网络约车与出租车的竞争博弈研究——以平台补贴为背景[J]. 北京社会科学, 2016(5):68-76.

[13]
LEI L, GAO S, ZENG E. Regulation strategies of ride-hailing market in China: An evolutionary game theoretic perspective[J]. Electronic Commerce Research, 2020, 20: 535-563.

[14]
ALHIJAWI B, AWAJAN A. Genetic algorithms: Theory, genetic operators, solutions, and applications[J]. Evolutionary Intelligence, 2023, 17: 1245-1256.

[15]
RATHOD S, KAWADE P, KAKADE R, et al. Carpooling using genetic algorithm[J]. International Journal of Engineering and Management Research, 2016, 6(3): 127-129.

[16]
HUANG S, JIAU M, LIN C. Optimization of the carpool service problem via a fuzzy-controlled genetic algorithm[J]. IEEE Transactions On Fuzzy Systems, 2015, 23(5): 1698-1712.

Options
文章导航

/

〈 〉

版权所有 © 《交通运输研究》编辑部　
京公网安备 11010102003417号    京ICP备17006742号-3
地址：北京市朝阳区北土城东路11号北京书院办公楼　邮编：100029
电话：010-58278983 Email：jtysyj@vip.163.com
本系统由北京玛格泰克科技发展有限公司设计开发